卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題范文

關(guān)鍵詞： 列車車號(hào)； 車號(hào)識(shí)別； 卷積神經(jīng)網(wǎng)絡(luò)； LeNet?5

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）13?0063?04

Abstract： For the character recognition of freight train license， the improved recognition method based on convolutional neural network LeNet?5 is proposed. Considering the structural features of the hierarchical convolutional neural network and local field， the parameters of quantity and size of each layer feature pattern in the network were improved correspondingly to form the new network model suitable for the freight train license recognition. The experimental results show that the proposed method has strong robustness to solve the license breakage and stain， and high recognition rate， which provides a guarantee for the accuracy of the entire license recognition system.

Keywords： train license； license recognition； convolutional neural network； LeNet?5

0 引 言

目前貨運(yùn)列車車號(hào)識(shí)別系統(tǒng)[1?2]主要是基于RFID技術(shù)實(shí)現(xiàn)的，但是，由于該系統(tǒng)的準(zhǔn)確性依賴于列車底部安裝的RFID標(biāo)簽，而RFID標(biāo)簽容易損壞、丟失，因此，此類系統(tǒng)無(wú)法保證車號(hào)識(shí)別的準(zhǔn)確性。為此，研究者開發(fā)了基于圖像的貨運(yùn)列車車號(hào)識(shí)別系統(tǒng)，系統(tǒng)根據(jù)視頻采集到的圖像，利用模糊集合論[1?2]、人工神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)[4]以及隱馬爾可夫模型[4]等技術(shù)進(jìn)行車號(hào)字符的識(shí)別。但是，由于貨運(yùn)列車車號(hào)存在因噴涂方式而導(dǎo)致的單個(gè)字符斷裂，或者列車長(zhǎng)期的野外運(yùn)行導(dǎo)致的車廂污損，車號(hào)字符的殘缺等現(xiàn)象，這使得目前的基于圖像的貨運(yùn)列車車號(hào)識(shí)別系統(tǒng)的魯棒性與識(shí)別率還有待進(jìn)一步提高。

LeNet?5[5?7]是由YannLecun等人提出的一種專門用于二維圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)避免了人工提取特征依賴于主觀意識(shí)的缺點(diǎn)，只需要將歸一化大小的原始圖像輸入網(wǎng)絡(luò)，該網(wǎng)絡(luò)就可以直接從圖像中識(shí)別視覺(jué)模式。LeNet?5把特征提取和識(shí)別結(jié)合起來(lái)，通過(guò)綜合評(píng)價(jià)和學(xué)習(xí)，并在不斷的反向傳播過(guò)程中選擇和優(yōu)化這些特征，將特征提取變?yōu)橐粋€(gè)自學(xué)習(xí)的過(guò)程，通過(guò)這種方法找到分類性能最優(yōu)的特征。LeNet?5已經(jīng)成功應(yīng)用于銀行對(duì)支票手寫數(shù)字的識(shí)別中。

為此，本文將卷積神經(jīng)網(wǎng)絡(luò)LeNet?5應(yīng)用于列車車號(hào)字符的識(shí)別中，為了使之適用于列車車號(hào)字符的識(shí)別需求，去除掉了LeNet?5中的一些針對(duì)手寫字符識(shí)別而特別設(shè)計(jì)的連接方式及參數(shù)，并在此基礎(chǔ)上，改變網(wǎng)絡(luò)中各層特征圖的數(shù)量以形成新的網(wǎng)絡(luò)模型。

1 LeNet?5的改進(jìn)

卷積神經(jīng)網(wǎng)絡(luò)可以從很多方面著手改進(jìn)。諸如多層前饋網(wǎng)絡(luò)，可以考慮在誤差函數(shù)中增加懲罰項(xiàng)使得訓(xùn)練后得到趨向于稀疏化的權(quán)值，或者增加一些競(jìng)爭(zhēng)機(jī)制使得在某個(gè)特定時(shí)刻網(wǎng)絡(luò)中只有部分節(jié)點(diǎn)處在激活狀態(tài)等。本文主要從卷積神經(jīng)網(wǎng)絡(luò)的層次化以及局部鄰域等結(jié)構(gòu)上的特點(diǎn)入手，考慮卷積神經(jīng)網(wǎng)絡(luò)中各層特征圖數(shù)量及大小對(duì)網(wǎng)絡(luò)訓(xùn)練過(guò)程及識(shí)別結(jié)果的影響。

以LeNet?5結(jié)構(gòu)為基礎(chǔ)，去除掉LeNet?5中的一些針對(duì)手寫字符識(shí)別而特別設(shè)計(jì)的連接方式及參數(shù)，得到改進(jìn)后的神經(jīng)網(wǎng)絡(luò)。在此基礎(chǔ)上，改變網(wǎng)絡(luò)中各層特征圖的數(shù)量以形成新的網(wǎng)絡(luò)模型。定義一種新的網(wǎng)絡(luò)模型，將其命名為L(zhǎng)eNet?5.1，該網(wǎng)絡(luò)結(jié)構(gòu)與LeNet?5基本相同，主要做出以下改變：

（1） 將原先LeNet?5所采用的激活函數(shù)由雙曲正切函數(shù)修改為Sigmoid函數(shù)，此時(shí)，網(wǎng)絡(luò)中所有層的輸出值均在[0，1]區(qū)間內(nèi)，輸出層的最終結(jié)果也將保持在[0，1]區(qū)間內(nèi)。

（2） 省略掉F6層，將輸出層與C5層直接相連，連接方式為全連接，而不是原LeNet?5中所采用的徑向基函數(shù)（RBF）網(wǎng)絡(luò)結(jié)構(gòu)。

（3） 簡(jiǎn)化原LeNet?5中的學(xué)習(xí)速率。原LeNet?5網(wǎng)絡(luò)中采用的學(xué)習(xí)速率為一個(gè)特殊的序列，而在本網(wǎng)絡(luò)中將學(xué)習(xí)速率固定為0.002。

（4） 輸入數(shù)據(jù)原始尺寸為28×28，采取邊框擴(kuò)充背景像素的方法將圖像擴(kuò)充至32×32。

之所以做以上相關(guān)改動(dòng)，是因?yàn)樵嫉腖eNet?5就是專門為手寫字符識(shí)別任務(wù)而特殊設(shè)計(jì)的，這就造成了LeNet?5網(wǎng)絡(luò)中相關(guān)的預(yù)處理及參數(shù)的選擇過(guò)程或多或少均帶有一些針對(duì)特定問(wèn)題的先驗(yàn)知識(shí)。例如激活函數(shù)中參數(shù)的選擇，學(xué)習(xí)速率定的速率序列以及數(shù)據(jù)預(yù)處理殊的填充方式等，這些特定的設(shè)計(jì)使得LeNet?5在其他任務(wù)的識(shí)別過(guò)程中并不一定適用，或者需要進(jìn)行長(zhǎng)期的觀察實(shí)驗(yàn)以選得一組針對(duì)特定任務(wù)的較好的值，造成了LeNet?5不能快速的應(yīng)用于除手寫字符外其他的識(shí)別任務(wù)中。

2 改進(jìn)后的網(wǎng)絡(luò)對(duì)列車車號(hào)字符的識(shí)別

車號(hào)經(jīng)過(guò)分割之后為一個(gè)個(gè)的單字符圖像，采用邊框擴(kuò)充背景像素的方法將其歸一化為32×32，如圖1所示。

由圖1中可以看出，待識(shí)別的字符圖像質(zhì)量不高，有的數(shù)字字符出現(xiàn)殘缺、斷裂或者嚴(yán)重變形。這都給識(shí)別任務(wù)提出了一定的挑戰(zhàn)。

本文采集到的車號(hào)圖像來(lái)自于不同型號(hào)的貨運(yùn)列車。從中選取400幅圖像作為訓(xùn)練集，另外選取400幅圖像作為測(cè)試集。用上一節(jié)提出的LeNet?5.1網(wǎng)絡(luò)進(jìn)行訓(xùn)練，誤分類率曲線如圖2所示?？梢钥闯?，在LeNet?5.1訓(xùn)練過(guò)程中，訓(xùn)練MCR（Misclassification Rate）和測(cè)試MCR的變化過(guò)程相對(duì)穩(wěn)定，驗(yàn)證了改進(jìn)后網(wǎng)絡(luò)結(jié)構(gòu)的合理性。在經(jīng)過(guò)16次的迭代之后，測(cè)試MCR降至最低（5.75%），之后基本保持穩(wěn)定，即16次迭代之后，網(wǎng)絡(luò)達(dá)到了當(dāng)前的最佳訓(xùn)練效果，達(dá)到了收斂狀態(tài)。這時(shí)，訓(xùn)練MCR為0.5%，測(cè)試MCR是5.75%。

訓(xùn)練過(guò)程中的誤分類率曲線

而針對(duì)相同的數(shù)據(jù)，采用原始的LeNet?5進(jìn)行訓(xùn)練和測(cè)試后，誤分類率如圖3所示。從圖3中可以看出，LeNet?5經(jīng)過(guò)了18次的迭代后，測(cè)試MCR才達(dá)到相對(duì)穩(wěn)定的狀態(tài)，降至6%，最終的訓(xùn)練MCR為1%。相比之下，經(jīng)過(guò)簡(jiǎn)化和改進(jìn)的LeNet?5.1，由于改進(jìn)了原始的LeNet?5中專門為手寫字符識(shí)別任務(wù)而特殊設(shè)計(jì)的一些預(yù)處理及函數(shù)選擇等固定模式，并且精簡(jiǎn)了網(wǎng)絡(luò)結(jié)構(gòu)，使得LeNet?5.1在列車車號(hào)的識(shí)別方面具有了更快的訓(xùn)練速度和收斂速度，另外，最終達(dá)到的準(zhǔn)確度也有所提升。

在證明了改進(jìn)后的LeNet?5.1網(wǎng)絡(luò)的合理性之后，增加訓(xùn)練圖像的規(guī)模，采用10 000幅車號(hào)數(shù)字字符圖像用來(lái)訓(xùn)練，5 000幅用來(lái)測(cè)試。為了與其他方法進(jìn)行比較，采用相同的訓(xùn)練數(shù)據(jù)對(duì)車號(hào)識(shí)別中常用的三層BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，這里采用的BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)量為450，學(xué)習(xí)速率采用0.01。實(shí)驗(yàn)結(jié)果比較如表1所示。從表1可以看出，改進(jìn)后的LeNet?5.1網(wǎng)絡(luò)的識(shí)別率比BP網(wǎng)絡(luò)的識(shí)別率高出4.62個(gè)百分點(diǎn)，在識(shí)別速度方面，LeNet?5.1也明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。

3 針對(duì)車型號(hào)字母識(shí)別而改進(jìn)的神經(jīng)網(wǎng)絡(luò)及其結(jié)果

貨運(yùn)列車車號(hào)的組成是由車型號(hào)與車號(hào)共同組成的，因此還需要對(duì)車型號(hào)進(jìn)行識(shí)別，車型號(hào)中除了有阿拉伯?dāng)?shù)字字符之外，還有很多表示車種及車廂材質(zhì)等屬性的英文字母，這些英文字母同樣采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別。由于車型號(hào)很多，初期針對(duì)若干常用型號(hào)的列車進(jìn)行識(shí)別，以測(cè)試網(wǎng)絡(luò)的性能，后期對(duì)全車型進(jìn)行識(shí)別。

3.1 常用列車車型的識(shí)別

在試運(yùn)行階段主要識(shí)別的車型局限于7種主要的車型：C64K，C64H，C70A，C70E，C80，C62AK和C62BK。由于車種都為敞篷車（第一個(gè)大寫字母C），主要對(duì)后面代表該車型載重量的兩位數(shù)字以及最后代表車廂材質(zhì)等屬性的字母進(jìn)行識(shí)別?？紤]到車型號(hào)字符串的固定模式，如圖4所示，可以分別建立兩個(gè)不同的卷積神經(jīng)網(wǎng)絡(luò)分別用來(lái)識(shí)別數(shù)字和字母，由于之前已經(jīng)解決了數(shù)字的識(shí)別問(wèn)題，接下來(lái)主要進(jìn)行字母的識(shí)別。要識(shí)別的代表車廂材質(zhì)的字母共有6個(gè)：K，H，A，E，A和B，為了盡可能的避免因字母分割問(wèn)題而導(dǎo)致的識(shí)別錯(cuò)誤，把AK和BK分別作為一個(gè)整體來(lái)識(shí)別，那么需要識(shí)別的字符組合變?yōu)椋篕，H，A，E，AK和BK。由于識(shí)別種類的減少，可以對(duì)網(wǎng)絡(luò)模型LeNet?5.1進(jìn)行相應(yīng)的簡(jiǎn)化，命名該模型為L(zhǎng)eNet?5.2。

LeNet?5.2是在LeNet?5.1的基礎(chǔ)上進(jìn)行改動(dòng)而得到的：

（1） 卷積層C1的特征圖由6個(gè)減少為4個(gè)，相應(yīng)地，S2層的特征圖也由6個(gè)減少為4個(gè)。

（2） 卷積層C3的特征圖由16個(gè)減少為11個(gè)，相應(yīng)地，S4層的特征圖也由16個(gè)減少為11個(gè)。

（3） 卷積層C5的特征圖個(gè)數(shù)由120個(gè)減少為80個(gè)。

（4） 輸出分類的數(shù)目由10個(gè)減少為6個(gè)。

另外，卷積層C3層與次抽樣層S2層的連接情況如表2所示。

表2的連接方式采用與表1相同的思想，每一列都說(shuō)明了C3層中的一個(gè)特征圖是由S2中的那幾個(gè)特征圖結(jié)合而成。卷積層C3中第0個(gè)至第5個(gè)特征圖分別與次抽樣層S2中的兩個(gè)特征圖相連接，一共6種組合。C3中的這6個(gè)特征圖負(fù)責(zé)抽取上一層中某兩個(gè)特征圖所潛在的特征。C3層中第6個(gè)至第9個(gè)特征圖中每個(gè)特征圖分別對(duì)應(yīng)上一層中的3個(gè)特征圖的組合，而C3層中最后一個(gè)特征圖則與上一層中所有的特征圖相連接。這樣卷積層C3中的特征圖就包含了次抽樣層S2中多個(gè)特征圖的所有組合，這樣使得卷積層C3抽取到的特征比S2層更抽象、更高級(jí)，同時(shí)，相對(duì)于輸入數(shù)據(jù)，C3層相比S2層具有更好的對(duì)位移、扭曲等特征的不變性。

相比LeNet?5.1，LeNet?5.2將網(wǎng)絡(luò)層中的特征圖數(shù)量做了相應(yīng)的削減，減少了網(wǎng)絡(luò)中可訓(xùn)練參數(shù)的數(shù)量。

實(shí)驗(yàn)數(shù)據(jù)來(lái)自以上提到的7類常用車型。經(jīng)過(guò)前面過(guò)程的定位和分割之后，將分割之后代表車廂材質(zhì)等屬性的字母圖像收集起來(lái)。本實(shí)驗(yàn)中，共收集到6種代表不同車廂材質(zhì)屬性的字母共800幅，其中400幅用作訓(xùn)練數(shù)據(jù)，另外400幅用作測(cè)試數(shù)據(jù)。

圖5為L(zhǎng)eNet?5.2使用以上數(shù)據(jù)訓(xùn)練過(guò)程中得到的MCR曲線圖。由圖5中可以看出，在經(jīng)過(guò)13次迭代之后，測(cè)試MCR達(dá)到最低的3.25%，并且在隨后的迭代過(guò)程中基本保持穩(wěn)定，而對(duì)應(yīng)的訓(xùn)練MCR為0.75%。

3.2 全車型識(shí)別

經(jīng)過(guò)對(duì)鐵道行業(yè)標(biāo)準(zhǔn)《鐵路貨車車種車型車號(hào)編碼》（TB2435?93）里面包含的所有車型號(hào)進(jìn)行統(tǒng)計(jì)，除了10個(gè)阿拉伯?dāng)?shù)字外，包括了除O，R，V，Z四個(gè)字母外所有的大寫英文字母，總共有32類字符。

訓(xùn)練過(guò)程中的誤分類率曲線

針對(duì)車型號(hào)的識(shí)別需求，本文在LeNet?5.1的基礎(chǔ)上提出了一種新的網(wǎng)絡(luò)模型，稱之為L(zhǎng)eNet?5.3。與LeNet?5.2相反，LeNet?5.3是在LeNet?5.1的基礎(chǔ)上對(duì)網(wǎng)絡(luò)中各層的特征圖數(shù)量進(jìn)行擴(kuò)充：

（1） 卷積層C1的特征圖由6個(gè)增加至8個(gè)，相應(yīng)地，S2層的特征圖也由6個(gè)增加至8個(gè)。

（2） 卷積層C3的特征圖由16個(gè)增加至24個(gè)，相應(yīng)地，S4層的特征圖也由16個(gè)增加至24個(gè)。

（3） 卷積層C5的特征圖個(gè)數(shù)由120個(gè)增加至240個(gè)。

（4） 輸出層神經(jīng)元的個(gè)數(shù)由10個(gè)增加至32個(gè)。

其中卷積層C3層與次抽樣層S2層的連接情況參考LeNet?5.2所采用的原則，使卷積層C3中的特征圖包含次抽樣層S2中多個(gè)特征圖的主要組合。

與LeNet?5.1相比，LeNet?5.3需要有更多的輸出類別，各層的特征圖數(shù)量也做了相應(yīng)的增加，以增加整個(gè)網(wǎng)絡(luò)的識(shí)別性能。為了驗(yàn)證改進(jìn)后的LeNet?5.3的性能，收集了大量真實(shí)列車車廂圖片，經(jīng)過(guò)車號(hào)定位和分割之后，將單個(gè)的數(shù)字字符或者大寫字母字符圖像尺寸依次歸一化為32×32，分別建立訓(xùn)練圖像庫(kù)和測(cè)試圖像庫(kù)。

由于LeNet?5.1各層的特征圖數(shù)量多，因此該網(wǎng)絡(luò)涉及到的可訓(xùn)練參數(shù)也大大增加，這也意味著需要更多的數(shù)據(jù)樣本用于網(wǎng)絡(luò)訓(xùn)練。若訓(xùn)練集和測(cè)試集規(guī)模依然采用跟前面實(shí)驗(yàn)中一樣的各400幅，訓(xùn)練過(guò)程中的誤分類率曲線如圖6所示，圖6中的曲線變化非常不穩(wěn)定，波動(dòng)較大。測(cè)試MCR達(dá)到最低點(diǎn)后又突然升高，不能獲得穩(wěn)定的分類結(jié)果，訓(xùn)練過(guò)程無(wú)法收斂。

網(wǎng)絡(luò)訓(xùn)練過(guò)程中無(wú)法收斂的主要原因在于相比網(wǎng)絡(luò)中過(guò)多的需要訓(xùn)練確定的權(quán)值，數(shù)據(jù)集規(guī)模過(guò)小，已然不能滿足學(xué)習(xí)的要求。從特征圖角度來(lái)看，網(wǎng)絡(luò)無(wú)法通過(guò)不充足的訓(xùn)練樣本學(xué)習(xí)到穩(wěn)定而有效的特征圖組合，從而導(dǎo)致了網(wǎng)絡(luò)不收斂。要解決這個(gè)問(wèn)題需要加大測(cè)試樣本的數(shù)量。

為了訓(xùn)練和測(cè)試LeNet?5.3，對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充：訓(xùn)練圖像庫(kù)包含字符圖像4 000幅，測(cè)試圖像庫(kù)包含字符圖像2 000幅。訓(xùn)練過(guò)程中的誤分類率曲線如圖7所示。從圖7中可以看出，經(jīng)過(guò)32次迭代之后網(wǎng)絡(luò)趨于收斂，并且達(dá)到了較好的識(shí)別率。

4 結(jié) 語(yǔ)

本文針對(duì)貨運(yùn)列車車號(hào)識(shí)別的難題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)LeNet?5改進(jìn)后的識(shí)別方法，主要對(duì)卷積神經(jīng)網(wǎng)絡(luò)中各層特征圖數(shù)量及大小進(jìn)行了改進(jìn)。且與傳統(tǒng)的BP網(wǎng)絡(luò)進(jìn)行了比較，從實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)無(wú)論在魯棒性還是識(shí)別率以及識(shí)別速度上都優(yōu)于BP網(wǎng)絡(luò)，可以很好地勝任列車車號(hào)識(shí)別任務(wù)。

參考文獻(xiàn)

[1] 宋敏.鐵路車輛車號(hào)自動(dòng)識(shí)別系統(tǒng)的研究和開發(fā)[D].天津：河北工業(yè)大學(xué)，2011：1?5.

[2] LU S， CHEN B M， KO C C. Perspective rectification of document images using fuzzy set and morphological operations [J]. Image and vision computing， 2005， 23（5）： 541?553.

[3] SHAH P， KARAMCHANDANI S， NADKAR T， et al. OCR?based chassis?number recognition using artificial neural networks [C]// Proceedings of 2009 IEEE International Conference on Vehicular Electronics and Safety （ICVES）. [S.l.]： IEEE， 2009： 31?34.

[4] CHEN D， BOURLARD H， THIRAN J P. Text identification in complex background using SVM [C]// Proceedings of 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2001： 621?626.

[5] LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient?based learning applied to document recognition [J]. Proceedings of the IEEE， 1998， 86（11）： 2278?2324.

[6] LECUN Y A， BOTTOU L， ORR G B， et al. Efficient backprop [M]// Anon. Neural networks： tricks of the trade. Berlin： Springer Berlin Heidelberg， 1998： 9?50.

第2篇：卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題范文

關(guān)鍵詞：PCA算法；人臉識(shí)別；五級(jí)并行PCA模型；權(quán)重計(jì)算；均值濾波

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）19-0147-02

Research on Face Recognition System Based on Parallel PCA Algorithm

ZHAO Ya-peng

（College of Information Science and Engineering， Shandong University of Science and Technology， Qingdao 266590， China ）

Abstract：In order to solve the problem of fast and accurate face recognition， a face recognition method based on parallel PCA algorithm is proposed. Using principal component analysis （PCA） method can reduce the dimension of features， easy to implement， training time is short， the design and implementation of a parallel algorithm for PCA， first of all according to the whole image to extract the 4 part of face images， then the whole image and 4 partial images at the same time by the same structure of the PCA model of learning， face feature vector extraction， the Euclidean distance for matching calculation of the test images and training images， finally through the test image with the five level parallel PCA model identification results are weighted decision， in order to achieve face recognition. Using the image data of the ORL face database ， the simulation results in Matlab show that the method has a great degree of improvement in accuracy， the recognition speed is relatively fast， with a high degree of robustness.

Key words：PCA algorithm；Face recognition；Five level parallel PCA model；Weight calculation；Mean filter

1 概述

隨著智能終端設(shè)備（手機(jī)、Pad、門禁等）的不斷發(fā)展，身份識(shí)別已經(jīng)成為我們?nèi)粘Ｉ畹闹匾M成部分，身份驗(yàn)證技術(shù)被廣泛應(yīng)用于各個(gè)領(lǐng)域，特別是人們對(duì)于個(gè)人隱私信息的保護(hù)，使得身份識(shí)別再次成為關(guān)注的焦點(diǎn)。人臉識(shí)別作為身份識(shí)別的重要手段之一，因其具有識(shí)別率高、采集性強(qiáng)、接受性高等特點(diǎn)，在身份識(shí)別的各類方法中具有獨(dú)特的優(yōu)勢(shì)，成為了目前比較熱門的研究領(lǐng)域。

目前，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）是圖像識(shí)別領(lǐng)域最重要的研究熱點(diǎn)，而且在語(yǔ)音識(shí)別領(lǐng)域也取得了不錯(cuò)的效果，但是卷積神經(jīng)網(wǎng)絡(luò)的整個(gè)訓(xùn)練過(guò)程比較費(fèi)時(shí)，而且實(shí)現(xiàn)相對(duì)復(fù)雜，而基于PCA算法的人臉識(shí)別技術(shù)因其自身存在的許多缺陷，一直沒(méi)有被廣泛應(yīng)用，但該方法實(shí)現(xiàn)簡(jiǎn)單、學(xué)習(xí)速度較快，因此，本文主要研究改進(jìn)的并行PCA算法，以彌補(bǔ)傳統(tǒng)PCA算法在人臉識(shí)別領(lǐng)域的不足。

本文提出的基于并行PCA算法的人臉識(shí)別技術(shù)，首先對(duì)原始圖像進(jìn)行預(yù)處理，如灰度歸一化和中值濾波等操作，以消除圖像噪聲、光照等因素造成的影響，使得特征提取更加準(zhǔn)確可靠。然后，通過(guò)5級(jí)并行PCA模型獲取數(shù)據(jù)的不同特征矩陣，然后將訓(xùn)練圖像和測(cè)試圖像分別進(jìn)行子空間的投影，利用歐氏徑向基函數(shù)（Euclidean Radial Basis Function）進(jìn)行人臉的匹配，最后根據(jù)訓(xùn)練得到的權(quán)值向量進(jìn)行加權(quán)決策。本文通過(guò)ORL人臉數(shù)據(jù)庫(kù)的仿真實(shí)驗(yàn)證明，該算法的效果明顯好于PCA算法。

2 并行PCA算法

PCA（Principal Component Analysis）即主成分分析技術(shù)，PCA是基于K-L變換的統(tǒng)計(jì)學(xué)分析方法，是多元分析中常用的方法，其基本思想是將高維數(shù)據(jù)投影到低維空間，主要過(guò)程在于特征值的計(jì)算和矩陣的降維。將PCA應(yīng)用于人臉識(shí)別時(shí)，首先將圖像轉(zhuǎn)化成矩陣向量，然后進(jìn)行矩陣的奇異值分解（Singular Value Decomposition），將高維向量通過(guò)計(jì)算得到的特征向量矩陣投影到低維的向量空間，從而減少數(shù)據(jù)的計(jì)算量。

2.1 基于并行PCA算法的人臉識(shí)別流程

本文中提出的并行PCA算法，正是基于上述的PCA算法，通過(guò)建立5級(jí)的PCA算法模型同時(shí)進(jìn)行數(shù)據(jù)特征的學(xué)習(xí)，使得最終的人臉識(shí)別準(zhǔn)確率得到進(jìn)一步的提高，具體的人臉識(shí)別流程如圖1所示。

2.2 并行PCA算法的實(shí)現(xiàn)的步驟

2.2.1 人臉圖像的預(yù)處理

首先，需要把ORL人臉數(shù)據(jù)數(shù)據(jù)庫(kù)的所有訓(xùn)練圖像大小進(jìn)行歸一化，并轉(zhuǎn)化為像素矩陣，矩陣大小記為，為矩陣的行數(shù)，為矩陣的列數(shù)。之后利用均值濾波和灰度歸一化進(jìn)行圖像的去噪處理，以消除光線等問(wèn)題對(duì)圖像造成的影響，以方便后期的特征提取等操作。

2.2.2 人臉圖像的PCA降維

根據(jù)PCA的原理，可以將每一張圖像看成是一個(gè)高維的向量，所有的圖像可以看成是這個(gè)高維空間中的一點(diǎn)，PCA要做的就是找出另外一個(gè)盡可能多的反應(yīng)圖像特征的低維空間。

假如樣本由n張大小為p*q的人臉圖像組成，那么每一張圖像可以保存為一列向量，向量維數(shù)是p*q，真?zhèn)€樣本可以看成是一個(gè)行數(shù)為n，列數(shù)為p*q的矩陣記為矩陣A。

根據(jù)上述過(guò)程，首先求出矩陣A的協(xié)方差矩陣，然后求出協(xié)方差矩陣的特征值，選取前m個(gè)最大的特征值，然后求出對(duì)應(yīng)的特征向量，組成一個(gè)特征矩陣。通常所說(shuō)的“特征臉”就是這些特征向量，而特種功能矩陣就是“特征臉”空間或者說(shuō)子空間。然后可以將每一張圖片投影到該子空間，得到了每一張圖像的投影矩陣（l*m）。

2.2.3 人臉圖像的識(shí)別

對(duì)于待識(shí)別的圖像，也可以看成是一列向量，投影到子空間得到一個(gè)投影矩陣，然后一一求出這個(gè)投影矩陣與樣本圖像投影矩陣最相似的。然而有可能該人臉不是人臉庫(kù)中的，所以最相似的人臉也不一定是同一個(gè)人臉，還需要設(shè)置一個(gè)閾值來(lái)判斷待識(shí)別人臉是否是人臉庫(kù)中的。

人臉識(shí)別部分正是基于上述的PCA算法，在本文所提出的并行PCA模型中，是由5級(jí)的PCA模型同時(shí)進(jìn)行人臉識(shí)別這一操作，最后根據(jù)訓(xùn)練得到的權(quán)值向量進(jìn)行決策，通過(guò)使用多個(gè)PCA模型，從而使得整個(gè)識(shí)別過(guò)程的準(zhǔn)確率得到進(jìn)一步的提升。

3 系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)

3.1 系統(tǒng)總體設(shè)計(jì)

本文中所提出的基于并行PCA算法的人臉識(shí)別系統(tǒng)，包括人臉圖像采集模塊、圖像預(yù)處理模塊、識(shí)別模塊。人臉圖像采集模塊主要是采集訓(xùn)練圖像數(shù)據(jù)和測(cè)試圖像數(shù)據(jù)，并由原始圖像提取出4幅與之對(duì)應(yīng)的部分圖像；圖像預(yù)處理模塊主要就是進(jìn)行圖像歸一化和圖像的去噪工作，圖像的歸一化包括大小歸一化和灰度歸一化，可以使用比較常見(jiàn)的直方圖均衡化等技術(shù)，而圖像的去噪可以使用中值濾波技術(shù)，以去除比較常見(jiàn)的高斯噪聲等；人臉識(shí)別模塊是基于5級(jí)相互獨(dú)立的PCA模型進(jìn)行特征值的學(xué)習(xí)和比對(duì)，而且通過(guò)訓(xùn)練得到的權(quán)值向量進(jìn)行最終的是臉識(shí)別決策。整個(gè)系統(tǒng)的實(shí)現(xiàn)是基于Matlab進(jìn)行仿真實(shí)驗(yàn)的，實(shí)驗(yàn)數(shù)據(jù)來(lái)自劍橋大學(xué)AT&T實(shí)驗(yàn)室創(chuàng)建的ORL人臉數(shù)據(jù)庫(kù)。

3.2系統(tǒng)功能模塊實(shí)現(xiàn)

3.2.1人臉圖像采集實(shí)現(xiàn)

圖像采集模塊主要就是將存儲(chǔ)在本地的圖像文件通過(guò)Matlab的imread函數(shù)讀入矩陣中，以方便后期的PCA操作，其核心語(yǔ)句為Image{t}=imread（[[filepath，F(xiàn)ilDir（ii）.name]，'＼'，ImDir{ii}（jj）.name]）；

使用上述語(yǔ)句即可讀入訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)文件。

3.2.2 圖像預(yù)處理模塊

該模塊的主要任務(wù)就是利用中值濾波和直方圖均衡化進(jìn)行圖像的去噪工作，以消除不同光照和圖像噪聲的影響，提高準(zhǔn)確率。其核心代碼為：

S1=zeros（1，256）；

for i=1：256

for j=1：i

S1（i）=GP（j）+S1（i）；

end

end

S2=round（（S1*256）+0.5）；

for i=1：256

GPeq（i）=sum（GP（find（S2==i）））；

end

3.2.3 識(shí)別模塊

圖像經(jīng)過(guò)之前的預(yù)處理之后，需要將圖像矩陣轉(zhuǎn)化為列向量，一幅圖像就是一列向量，整個(gè)訓(xùn)練圖像構(gòu)成了整個(gè)特征空間矩陣，測(cè)試圖像也會(huì)轉(zhuǎn)化為一列向量，之后會(huì)利用矩陣之間的運(yùn)算進(jìn)行圖像的分析計(jì)算。識(shí)別模塊的工作就是根據(jù)測(cè)試圖像和之前所有的訓(xùn)練數(shù)據(jù)進(jìn)行對(duì)比，查找到與之最相似的圖像，實(shí)驗(yàn)的結(jié)果如圖2所示。

4 結(jié)論

PCA算法作為傳統(tǒng)的人臉識(shí)別算法，因其自身存在的許多缺陷而沒(méi)能發(fā)揮較好的作用，但是其自身具有其他算法所不具有的特點(diǎn)，本文設(shè)計(jì)的并行PCA算法雖然是基于PCA算法，但是借鑒了卷積神經(jīng)網(wǎng)絡(luò)的多層結(jié)構(gòu)，而且使用加權(quán)操作進(jìn)行最終人臉識(shí)別的決策。基于ORL人臉數(shù)據(jù)庫(kù)的測(cè)試結(jié)果表明，該并行PCA算法的準(zhǔn)確率和魯棒性均得到了進(jìn)一步的提升，與其他的單獨(dú)PCA算法具有十分明顯的優(yōu)勢(shì)。

參考文獻(xiàn)：

[1] 張利芳. 基于PCA算法的人臉識(shí)別系統(tǒng)研究[D].太原：中北大學(xué)，2015.

[2] 楊海燕，蔣新華. 基于并行卷積神經(jīng)網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)定位方法研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2015， 32（8）： 2517-2519.

[3] 楊穎嫻. 基于PCA算法和小波變換的人臉識(shí)別技術(shù)[J]. 微電子與計(jì)算機(jī)， 2011， 28（1）： 92-94.

[4] 段寶彬，韓立新. 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)及在碎紙拼接中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 2014， 50（9）： 176-181.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題范文

【關(guān)鍵詞】照相軟件 人臉識(shí)別技術(shù) 計(jì)算機(jī)

人臉識(shí)別作為一項(xiàng)現(xiàn)代化科技技術(shù)，具有極大的發(fā)展空間。1964年，人臉識(shí)別（AFR）這一領(lǐng)域逐漸出現(xiàn)在人們的視野里，至于1991年至1997年，若干具有代表性的人臉識(shí)別算法誕生于世，到如今，以支持向量機(jī)為代表的統(tǒng)計(jì)學(xué)習(xí)理論被應(yīng)用到了人臉識(shí)別中來(lái)。前人的側(cè)重點(diǎn)在于對(duì)其算法的延伸探究，但就筆者而言，存在一定程度上專業(yè)知識(shí)的限制，因而根據(jù)自身的知識(shí)儲(chǔ)備與探究能力，將人臉識(shí)別技術(shù)這一寬泛概念的探討縮小至相對(duì)更貼近生活，且較為容易理解與研究的一個(gè)主題――對(duì)于照相機(jī)軟件中人臉識(shí)別技術(shù)的探究，并由此展開對(duì)計(jì)算機(jī)人臉識(shí)別的部分性探究。

1 對(duì)于人臉識(shí)別技術(shù)的初步了解

科幻性質(zhì)的故事往往以其并不符合實(shí)際的奇幻情節(jié)，模糊得描繪了現(xiàn)實(shí)世界未來(lái)的發(fā)展藍(lán)圖。這里不得不提及一部具有啟發(fā)意義的電影――《生化危機(jī)》，電影中追蹤主角行蹤的衛(wèi)星定位人臉識(shí)別技術(shù)，是否未來(lái)也將存在于我們的現(xiàn)實(shí)社會(huì)當(dāng)中？由此，便聯(lián)想到生活中照相軟件的人臉識(shí)別是否也是通過(guò)相似的原理而執(zhí)行的。

關(guān)于人臉識(shí)別，其本質(zhì)上隸屬于生物特征識(shí)別的一支。其余包含指紋識(shí)別，虹膜識(shí)別，DNA識(shí)別等技術(shù)。當(dāng)今最為廣泛運(yùn)用的是指紋識(shí)別，但隨之而來(lái)產(chǎn)生的是一定的安全性問(wèn)題。例如去年熱門的高考替考話題，指紋貼的出現(xiàn)使指紋識(shí)別的安全性受到質(zhì)疑。而人臉識(shí)別仍處于一個(gè)不完全成熟的發(fā)展階段，就目前現(xiàn)狀來(lái)說(shuō)，其所具有的不可復(fù)制性、自然性、不可察覺(jué)性，使其安全性與實(shí)用性都處于相對(duì)較高的水平。但同樣，其技術(shù)難度也呈正比例增長(zhǎng)。

通過(guò)對(duì)與計(jì)算機(jī)信息科技的學(xué)習(xí)，能夠得出這樣一個(gè)總結(jié)性結(jié)論：“人臉識(shí)別是通過(guò)計(jì)算機(jī)視覺(jué)的一些算法所實(shí)現(xiàn)的?！?/p>

前人對(duì)從不斷更新的研究中得出，人臉識(shí)別的基本算法有四種：

（1）基于人臉特征點(diǎn)的識(shí)別算法（Feature-based recognition algorithms）。

（2）基于整幅人臉圖像的識(shí)別算法（Appearance-based recognition algorithms）。

（3）基于模板的識(shí)別算法（Template-based recognition algorithms）。

（4）利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的算法（Recognition algorithms using neural network）。

當(dāng)然，如今也早已存在許多其他的的算法能夠支持人臉識(shí)別技術(shù)的實(shí)現(xiàn)。而對(duì)于該項(xiàng)技術(shù)的應(yīng)用的范圍也在逐漸擴(kuò)大，門禁考勤系統(tǒng)、住宅安全管理、電子身份等等，都將在很大程度上的得益于其的不斷發(fā)展。

讓我們回到主題：照相機(jī)的人臉跟蹤究竟是如何實(shí)現(xiàn)的呢？圍繞這一問(wèn)題，由淺及深，筆者將本文中的探究?jī)?nèi)容主要分為以下三個(gè)部分：

（1）圖像在計(jì)算機(jī)內(nèi)部的存儲(chǔ)方式。

（2）計(jì)算機(jī)如何區(qū)分出物體與其所在背景。

（3）計(jì)算機(jī)如何定位人臉并從而實(shí)現(xiàn)識(shí)別功能。（注：由于照相軟件只是作為一個(gè)對(duì)于人臉識(shí)別問(wèn)題的切入點(diǎn)，單單深究照相軟件會(huì)帶來(lái)一定的局限性，因此二、三兩點(diǎn)將跳過(guò)作為載體的照相軟件，直接對(duì)于照相機(jī)功能背后的原理作進(jìn)一步探究。）

1.1 圖像在計(jì)算機(jī)內(nèi)部的儲(chǔ)存方式

計(jì)算機(jī)通過(guò)往往通過(guò)bitmap的形式來(lái)儲(chǔ)存圖像，也就是像素矩陣。

從結(jié)構(gòu)上講，計(jì)算機(jī)中儲(chǔ)存的圖像一把可以分為兩大類，即矢量圖和位圖。矢量圖通過(guò)數(shù)學(xué)公式計(jì)算獲得，優(yōu)點(diǎn)在于不會(huì)失真，但其最大的缺點(diǎn)是難以表現(xiàn)色彩層次豐富的逼真圖像效果。而位圖的基本思想，則是把一幅圖像按照行列進(jìn)行分割，所獲得的點(diǎn)成為像素。相機(jī)所拍攝獲得的照片便是以位圖的形式儲(chǔ)存的。每一幅圖像均是由無(wú)數(shù)像素組成，而每一個(gè)像素對(duì)應(yīng)顯存中1、8、16或24位二進(jìn)制數(shù)來(lái)表示顏色信息。位數(shù)決定了圖像所含的最大顏色數(shù)，位數(shù)越多，圖像的色彩就越豐富。

1.2 計(jì)算機(jī)如何區(qū)分出物體與其所在背景

大致的過(guò)程可以由圖1所知，用相對(duì)容易理解的話來(lái)解釋，計(jì)算機(jī)對(duì)于區(qū)分物體與其所在背景，首先是通過(guò)對(duì)要是別的物體提取表面特征，然后再對(duì)真實(shí)的照片提取表面特征，最終在進(jìn)行匹配，配合相應(yīng)的算法，這樣，計(jì)算機(jī)便可以區(qū)分出物體與其所在背景。

由此所延伸的科目是計(jì)算機(jī)視覺(jué)。

正如定義所提到：計(jì)算機(jī)視覺(jué)是一門關(guān)于如何運(yùn)用照相機(jī)和計(jì)算機(jī)來(lái)獲取我們所需的，被拍攝對(duì)象的數(shù)據(jù)與信息的學(xué)問(wèn)。

通過(guò)這門科目，我們能夠做到使用計(jì)算機(jī)來(lái)處理圖像，并區(qū)分出目的對(duì)象。形象地說(shuō)，在這門科目的輔助之下，計(jì)算機(jī)能夠成為人類的第二雙眼睛，對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量。

“One picture is worth ten thousand words.”圖像的處理，將為人類提供巨大的便捷。

大致羅列出其處理所進(jìn)行的步驟，分別是：圖像獲取、特征提取、檢測(cè)分割、高級(jí)處理。

1.3 計(jì)算機(jī)如何定位人臉并從而實(shí)現(xiàn)識(shí)別功能

關(guān)于人臉的定位與識(shí)別，在很大一定程度上與區(qū)別物體與背景的技術(shù)存在著相似之處。但是人臉的定位與識(shí)別，又是更高于目標(biāo)對(duì)象的識(shí)別的。這正是算法的不停更新與發(fā)展所帶來(lái)的科技發(fā)展的結(jié)果。

目前比較流行的Cascade Classifier（Opencv中做人臉檢測(cè)的時(shí)候的一個(gè)級(jí)聯(lián)分類器）效果還是比較好的，正臉檢測(cè)到的成功率能達(dá)到90%以上。

此外，在人臉局部區(qū)域特征提取時(shí)，一種叫做CNN（Convolutional Neural Network）卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的運(yùn)用――使用提取特征的filter對(duì)像素點(diǎn)進(jìn)行幾層處理，也為識(shí)別帶來(lái)一定的便利。CNN運(yùn)用到了深度學(xué)習(xí)，因此這里將拓展以下有關(guān)deep learning的概念：

deep learning的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。其三大框架為：CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)），DBN（Deep Belief Network，深度置信網(wǎng)絡(luò)），AE（AutoEncoder，自動(dòng)編碼機(jī)）。而目前在CV（Computer Vision的縮寫，指計(jì)算機(jī)視覺(jué)）領(lǐng)域應(yīng)用最廣的是CNN。到近來(lái)也有很多人嘗試用deep learning的方法來(lái)實(shí)現(xiàn)人臉識(shí)別，其與先前所提到的計(jì)算機(jī)區(qū)分物體和背景的原理也是相似的。

2 結(jié)論

回到最初的問(wèn)題：照相機(jī)的人臉跟蹤是如何實(shí)現(xiàn)的？綜上所述，可以獲得的結(jié)論是：照相機(jī)的人臉跟蹤是通過(guò)計(jì)算機(jī)視覺(jué)的一些算法實(shí)現(xiàn)的。但這些算法在技術(shù)方面人仍然面臨著一些難點(diǎn)，例如，在特征識(shí)別時(shí)，外界客觀因素，有如，光線、著裝遮擋、目標(biāo)對(duì)象的姿態(tài)、臉型、樣本缺乏等等尚未解決的問(wèn)題。這些都使人臉識(shí)別技術(shù)尚有巨大的可發(fā)展空間。就像前段時(shí)間由推出的How Old do I Look線上臉部偵測(cè)服務(wù)，曾一度掀起熱潮，可見(jiàn)，人們對(duì)于人臉識(shí)別技術(shù)的期望也是很高的。

那么，未來(lái)的人臉識(shí)別技術(shù)到底能夠發(fā)展到何種程度呢？香港中文大學(xué)教授湯曉鷗、王曉剛及其研究團(tuán)隊(duì)曾在2014年6月宣布，他們研發(fā)的DeepID人臉識(shí)別技術(shù)的準(zhǔn)確率超過(guò)99%，比肉眼識(shí)別更加精準(zhǔn)。相信未來(lái)，計(jì)算機(jī)人臉識(shí)別技術(shù)將與我們共同成長(zhǎng)，逐漸成熟與完善。畢業(yè)于UC Berkeley的博士賈揚(yáng)清，創(chuàng)造了Caffe――全稱Convolutional Architecture for Fast Feature Embedding，一個(gè)清晰而高效的深度學(xué)習(xí)框架，具有上手快、速度快、模塊化、開放性、社區(qū)好等優(yōu)點(diǎn)。如此不斷迅捷發(fā)展的計(jì)算機(jī)技術(shù)，在這個(gè)數(shù)字化的時(shí)代，正是對(duì)未來(lái)發(fā)展很好的導(dǎo)向。

參考文獻(xiàn)

[1]韋鳳年.怎樣寫科技論文[J].河南水利，2006（09）.

[2]董琳，趙懷勛.人臉識(shí)別技術(shù)的研究現(xiàn)狀與展望[J].China Academic Journal Electronic Publishing House，2011，10.

作者簡(jiǎn)介

孫文倩（1998-），上海市人。現(xiàn)在上海市洋涇中學(xué)高中在讀。

第4篇：卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題范文

【關(guān)鍵詞】互聯(lián)網(wǎng)金融 人臉識(shí)別 信息安全 身份認(rèn)證

一、引言

國(guó)家建設(shè)部于“十二五”期間頒布了關(guān)于開展國(guó)家智慧城市試點(diǎn)工作的通知，意在通過(guò)綜合運(yùn)用現(xiàn)代科學(xué)技術(shù)來(lái)營(yíng)造社會(huì)建設(shè)和管理的新模式。伴隨著智慧經(jīng)濟(jì)的建設(shè)和我國(guó)的傳統(tǒng)金融行業(yè)對(duì)于創(chuàng)新變革的訴求，國(guó)內(nèi)的互聯(lián)網(wǎng)金融行業(yè)開始快速發(fā)展。人臉識(shí)別在國(guó)內(nèi)互聯(lián)網(wǎng)金融領(lǐng)域的應(yīng)用也借助這一浪潮拉開帷幕。

二、人臉識(shí)別技術(shù)簡(jiǎn)介

進(jìn)入21世紀(jì)，隨著計(jì)算機(jī)技術(shù)、光學(xué)技術(shù)等技術(shù)的迅猛發(fā)展，人臉識(shí)別技術(shù)逐漸成熟，步入了應(yīng)用階段。人臉識(shí)別安防、考勤、支付等系統(tǒng)走進(jìn)了我們的生活。

人臉識(shí)別算法蓬勃發(fā)展，尤其是基于深度學(xué)習(xí)的識(shí)別方法。深度學(xué)習(xí)利用其對(duì)大型數(shù)據(jù)集的優(yōu)秀預(yù)測(cè)能力突破了之前在人臉識(shí)別過(guò)程中的精準(zhǔn)率瓶頸。深度學(xué)習(xí)算法種類繁多，目前被廣泛應(yīng)用于人臉識(shí)別領(lǐng)域的主要是卷積神經(jīng)網(wǎng)絡(luò)。其現(xiàn)主要分為四個(gè)步驟。

首先是局部感知。在處理在圖像處理中，把圖像表示為像素的向量。只對(duì)局部的聯(lián)系緊密的向量進(jìn)行感知，初步降低參數(shù)；第二步是權(quán)值共享。挑選第一步中的某個(gè)局部參數(shù)提取特征，再將其作為探測(cè)器也就是卷積核，應(yīng)用到圖像的任意區(qū)域，對(duì)特征進(jìn)行匹配，得到不同的激活值。將符合條件的激活值篩選出來(lái)；第三步是多卷積核。挑選更多的卷積核，不斷重復(fù)第二步驟，學(xué)習(xí)更多特征；最后是池化。一個(gè)圖像區(qū)域有用的特征極有可能在另一個(gè)區(qū)域同樣適用，對(duì)不同位置的特征進(jìn)行聚合統(tǒng)計(jì)可以簡(jiǎn)化對(duì)于大圖像的描述，進(jìn)一步降參。

三、互聯(lián)網(wǎng)金融的人臉識(shí)別運(yùn)用

互聯(lián)網(wǎng)金融是借助于互聯(lián)網(wǎng)技術(shù)、移動(dòng)通信技術(shù)來(lái)實(shí)現(xiàn)資金融通、支付和信息中介等業(yè)務(wù)的一種新興金融模式。毫無(wú)疑問(wèn)，互聯(lián)網(wǎng)金融正以其獨(dú)特的運(yùn)行方式和價(jià)值創(chuàng)造模式，影響著傳統(tǒng)金融業(yè)務(wù)，逐步成為整個(gè)金融生態(tài)體系中不可忽視的一部分。

（一）互聯(lián)網(wǎng)金融面臨的風(fēng)險(xiǎn)

互聯(lián)網(wǎng)金融行業(yè)也同傳統(tǒng)金融行業(yè)一樣，它們的核心問(wèn)題都是如何預(yù)防和處理風(fēng)險(xiǎn)。目前我國(guó)的互聯(lián)網(wǎng)金融行業(yè)面臨著政策法律風(fēng)險(xiǎn)、監(jiān)管風(fēng)險(xiǎn)、流動(dòng)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、技術(shù)風(fēng)險(xiǎn)這六大風(fēng)險(xiǎn)。

（1）信用風(fēng)險(xiǎn)?；ヂ?lián)網(wǎng)金融的信用風(fēng)險(xiǎn)主要來(lái)自于對(duì)客戶的真實(shí)身份的認(rèn)證帶來(lái)的信息不對(duì)稱問(wèn)題。由于國(guó)內(nèi)的互聯(lián)網(wǎng)信用業(yè)務(wù)還沒(méi)有得到很完善的監(jiān)管，互聯(lián)網(wǎng)金融的虛擬性就會(huì)給對(duì)客戶身份的認(rèn)證帶來(lái)不確定性素。例如，一些用戶在P2P網(wǎng)貸平臺(tái)進(jìn)行身份信息造假騙取貸款。

（2）技術(shù)風(fēng)險(xiǎn)?；ヂ?lián)網(wǎng)金融是互聯(lián)網(wǎng)與金融的結(jié)合產(chǎn)物，自然避免不了對(duì)于網(wǎng)絡(luò)信息安全的要求。傳統(tǒng)的字符密碼具有可復(fù)制性，容易被網(wǎng)絡(luò)黑客、木馬病毒所竊取，造成不必要的損失。傳統(tǒng)的字符密碼認(rèn)證對(duì)互聯(lián)網(wǎng)金融企業(yè)的網(wǎng)絡(luò)技術(shù)安全提出了更高的要求，而我國(guó)的互聯(lián)網(wǎng)金融企業(yè)大多還在成長(zhǎng)階段，無(wú)法維護(hù)龐大的信息數(shù)據(jù)庫(kù)，給行業(yè)帶來(lái)了很大的技術(shù)風(fēng)險(xiǎn)。

（二）人臉識(shí)別技術(shù)降低信用風(fēng)險(xiǎn)與技術(shù)風(fēng)險(xiǎn)

人臉識(shí)別技術(shù)依靠人臉獨(dú)特性、難以復(fù)制性等優(yōu)勢(shì)可以很大程度上降低互聯(lián)網(wǎng)金融的信用風(fēng)險(xiǎn)和技術(shù)風(fēng)險(xiǎn)。目前，國(guó)內(nèi)的云從科技、Linkface等科技公司都在LFW數(shù)據(jù)庫(kù)的實(shí)驗(yàn)環(huán)境下，取得了99.5%以上的人臉識(shí)別成功率，高于人眼識(shí)別97.52%的準(zhǔn)確率。

在人臉識(shí)別模式下的開戶過(guò)程需要用戶先需要出示自己的二代身份證，系統(tǒng)在客戶填寫開戶信息后繼續(xù)發(fā)出指令，讓客戶進(jìn)行基于視頻流的身份認(rèn)證，人臉識(shí)別系統(tǒng)會(huì)以此判別個(gè)人身份的真實(shí)性。同時(shí)，利用“活體檢測(cè)算法”、“圖像脫敏算法”以及“人臉比對(duì)算法”等算法對(duì)視頻流的背景和人像的對(duì)比分析，可以避免一些用戶利用錄制好的視頻來(lái)偽造身份信息。

識(shí)別開戶成功后，系統(tǒng)自動(dòng)上傳用戶信息至后臺(tái)。當(dāng)遇到支付等操作指令時(shí)調(diào)出信息，再次對(duì)客戶進(jìn)行基于視頻流的身份認(rèn)證來(lái)確定指令的安全性。

（三）互聯(lián)網(wǎng)金融中的人臉識(shí)別運(yùn)用

（1）招商銀行“ATM刷臉取款”。我國(guó)的招商銀行一直以勇于創(chuàng)新的先行者姿態(tài)活躍于金融領(lǐng)域，在手機(jī)銀行和自助銀行等多種電子信息化自助服務(wù)渠道中保持著領(lǐng)先地位。繼在VTM渠道應(yīng)用人臉識(shí)別技術(shù)以輔助柜員核實(shí)客戶身份后，又率先推出“ATM刷臉取款”業(yè)務(wù)。首先收集客戶的可信照片，再主要利用人臉識(shí)別技術(shù)并輔之以手機(jī)號(hào)碼驗(yàn)證和密碼驗(yàn)證來(lái)確認(rèn)客戶信息，誤識(shí)率在萬(wàn)分之一以下。

這是國(guó)內(nèi)銀行首次將人臉識(shí)別技術(shù)應(yīng)用到自助提款機(jī)上，也意味著招行“智能銀行”再一次取得進(jìn)展。

（2）螞蟻金服的人臉識(shí)別體系。螞蟻金服起步于阿里巴巴集團(tuán)的支付寶，致力于推進(jìn)互聯(lián)網(wǎng)支付、消費(fèi)、理財(cái)。螞蟻金服于2015年在支付寶上推出人臉識(shí)別的功能，已在用戶登錄、實(shí)名認(rèn)證、找回密碼、商家審核、支付風(fēng)險(xiǎn)校驗(yàn)等多個(gè)場(chǎng)景中投入使用，利用人臉識(shí)別代替?zhèn)鹘y(tǒng)的密碼輸入。同年，阿里巴巴董事局主席馬云在德國(guó)漢諾威消費(fèi)電子、信息及通信博覽會(huì)上展示了螞蟻金服的“smiletopay”技術(shù)，用手機(jī)“刷臉支付”的方式在網(wǎng)上購(gòu)買了一張1948年的漢諾威紀(jì)念郵票，完美展示了計(jì)算機(jī)人臉技術(shù)在支付中的應(yīng)用。此項(xiàng)技術(shù)還在不斷完善，螞蟻金服的刷臉支付功能正式投入商用指日可待。

（四）人臉識(shí)別目前存在的問(wèn)題

（1）沒(méi)有統(tǒng)一的安全標(biāo)準(zhǔn)。人臉識(shí)別技術(shù)領(lǐng)域的實(shí)際應(yīng)用還在起步階段，目前還沒(méi)有統(tǒng)一的行業(yè)標(biāo)準(zhǔn)與國(guó)家標(biāo)準(zhǔn)，主要都是技術(shù)廠家自己制定標(biāo)準(zhǔn)。然而廠家標(biāo)準(zhǔn)制定的不一致，會(huì)導(dǎo)致不同的安全狀況與安全水平。只有通過(guò)制定統(tǒng)一的國(guó)家安全標(biāo)準(zhǔn)，才能解決人臉識(shí)別在技術(shù)推廣過(guò)程中的障礙。

（2）識(shí)別中的“矯枉過(guò)正”。當(dāng)人臉識(shí)別技術(shù)被作為加密技術(shù)投入實(shí)際應(yīng)用時(shí)，我們最看重的就是它的安全性。而人臉識(shí)別技術(shù)的安全性可以用誤接受率與誤拒絕率兩個(gè)指標(biāo)來(lái)衡量。為了嚴(yán)格保證安全，技術(shù)廠商往往會(huì)盡量降低誤接受率，但這同時(shí)會(huì)提高誤拒絕率，使一些真正的用戶也會(huì)被系統(tǒng)拒絕，“矯枉過(guò)正”，影響了用戶體驗(yàn)。

（3）可信照片的分辨率低。目前互聯(lián)網(wǎng)金融行業(yè)在使用人臉識(shí)別技術(shù)進(jìn)行開戶等操作時(shí)，用于確定客戶信息的可信照片往往是居民二代身份證。而二代身份證的照片不僅分辨率低而且信息量少，這會(huì)降低人臉注冊(cè)、識(shí)別的準(zhǔn)確率。

（4）人臉的變化。隨著時(shí)間的推移，用戶的年齡增長(zhǎng)，會(huì)發(fā)生胖瘦、常規(guī)的化妝、自然老化等變化。通常情況下，這些變化是在計(jì)算機(jī)的識(shí)別范圍內(nèi)的，但是如果出現(xiàn)整容、過(guò)濃的妝容、或者是佩戴眼鏡與一些裝飾性的飾物可能就會(huì)影響人臉識(shí)別的識(shí)別率。同時(shí)，由于雙胞胎、多胞胎的人臉信息過(guò)于相像，雙胞胎、多胞胎人臉信息的分辨在人臉識(shí)別技術(shù)中也是一個(gè)待攻克的難題。

四、未來(lái)發(fā)展應(yīng)用趨勢(shì)

（一）發(fā)展展望

（1）制定統(tǒng)一的行業(yè)標(biāo)準(zhǔn)。為了保障人臉識(shí)別技術(shù)在應(yīng)用過(guò)程中的安全性、規(guī)范性，有關(guān)的人臉識(shí)別科技公司和互聯(lián)網(wǎng)金融企業(yè)等應(yīng)該聯(lián)合國(guó)家相關(guān)機(jī)構(gòu)，加速人臉識(shí)別技術(shù)系列標(biāo)準(zhǔn)和規(guī)范的起草進(jìn)一步規(guī)范人臉識(shí)別的技術(shù)指標(biāo)和要求，為業(yè)務(wù)的深入和推廣提供基礎(chǔ)參考。

（2）突破對(duì)源圖信息提取瓶頸。計(jì)算機(jī)人臉識(shí)別技術(shù)中很關(guān)鍵的一環(huán)就是將可信的源圖信息與后期獲取圖像的信息進(jìn)行對(duì)比篩選，計(jì)算機(jī)才能做出精確的判斷。在獲取到的源圖數(shù)據(jù)不充分、不理想的時(shí)，如何對(duì)信息進(jìn)行有效的提取，到目前為止還沒(méi)有很好的解決辦法。但是，伴隨著科技的高速發(fā)展，人臉識(shí)別技術(shù)的這一瓶頸在將來(lái)必定會(huì)被突破。

（3）與其他生物識(shí)別技術(shù)相結(jié)合。各種生物特征識(shí)別技術(shù)都有各自的優(yōu)缺點(diǎn)，在具體的應(yīng)用過(guò)程中，人臉識(shí)別技術(shù)可以和虹膜、靜脈等其他生物特征識(shí)別技術(shù)相結(jié)合使用，降低對(duì)用戶的誤接受率和誤拒絕率，進(jìn)一步提高身份識(shí)別的整體安全性。

（二）應(yīng)用展望

（1）全方位的身份查核。人臉識(shí)別身份驗(yàn)證技術(shù)的應(yīng)用是對(duì)互聯(lián)網(wǎng)金融業(yè)務(wù)的基礎(chǔ)性工作的一項(xiàng)重要技術(shù)保障。在將來(lái)，人臉識(shí)別身份驗(yàn)證技術(shù)的應(yīng)用應(yīng)該從單純的“登錄認(rèn)證”到擴(kuò)展到“支付認(rèn)證”，做到全方位的身份核查，提高群眾服務(wù)的便捷性，同時(shí)保證業(yè)務(wù)更加安全、可靠。除此之外，人臉識(shí)別身份驗(yàn)證技術(shù)還可以帶動(dòng)其他行業(yè)的類似業(yè)務(wù)場(chǎng)景，從而在全社會(huì)范圍內(nèi)促成更廣泛的工作流程改進(jìn)和社會(huì)成本節(jié)約。

（2）全面的私人數(shù)據(jù)保護(hù)。在將來(lái)，用戶的一切經(jīng)濟(jì)活動(dòng)信息都可以通過(guò)人臉識(shí)別技術(shù)進(jìn)行有效保護(hù)，避免敏感數(shù)據(jù)泄露，消除欺詐者利用不正當(dāng)途徑來(lái)竊取用戶個(gè)人信息進(jìn)行非法交易的可能，提升互聯(lián)網(wǎng)金融行業(yè)客戶的體驗(yàn)友好程度。

五、結(jié)語(yǔ)

對(duì)于互網(wǎng)金融行業(yè)來(lái)說(shuō)，改革與創(chuàng)新、提高金融服務(wù)質(zhì)量和安全防范是今后互聯(lián)網(wǎng)金融行業(yè)發(fā)展的主要趨勢(shì)，人臉識(shí)別等高科技技術(shù)投入互聯(lián)網(wǎng)金融行業(yè)，會(huì)對(duì)整個(gè)行業(yè)的發(fā)展起到一種非常積極的作用。未來(lái)的人臉識(shí)別技術(shù)在互聯(lián)網(wǎng)金融行業(yè)中的應(yīng)用必會(huì)繼續(xù)朝著遠(yuǎn)程化發(fā)展，進(jìn)一步取代現(xiàn)在的柜臺(tái)開戶、字符密碼認(rèn)證等傳統(tǒng)的服務(wù)流程，做到“智慧金融，智慧生活，智慧城市”。

參考文獻(xiàn)：

[1]李子青.人臉識(shí)別結(jié)合視頻監(jiān)控看公安與金融市場(chǎng)應(yīng)用[J].中國(guó)安防，2015，（8）.

[2]呂曉強(qiáng). 生物識(shí)別技術(shù)再造銀行客戶身份認(rèn)證體系[J].金融電子化，2016，（4）.

[3]廖敏飛，黃瑞吟，劉麗娟. 生物識(shí)別技術(shù)在金融行業(yè)的應(yīng)用現(xiàn)狀與前景分析[J].金融電子化，2016，（4）.

第5篇：卷積神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題范文

關(guān)鍵詞:裂紋實(shí)時(shí)監(jiān)測(cè)系統(tǒng);Linux操作系統(tǒng);ARMS3C2440開發(fā)板;QT

中圖分類號(hào):TP29 文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2009)21-138-03

Development and Research of Intelligent Building Crack′s Real-time

Measuring System Based on ARMS3C2440

ZUO Yongbo

(Electrical College,Hunan University,Changsha,410082,China)

Abstract:With the enhancement of variety of embedded processor′s speed and the development of integrated circuits,a large number of embedded devices are increasingly being applied in each aspects of people's living.In this study,with Linux operating system ARMS3C2440 development board for the development platform,the building crack monitoring system for real-time algorithm implementation and the final software development is completed.Different from the general crack detecting system,adopting edge of the crack detection and crack width measurement separately,making crack and measuring the results of locking position is more accurate.Using QT for interface design,making the software developed by a more intelligent,user-friendly and so on.

Keywords:crack real-time monitoring system;Linux operating system;ARMS3C2440 development board;QT

0 引 言

在建筑業(yè)中,評(píng)價(jià)墻體裂紋,地面裂紋是評(píng)價(jià)房屋質(zhì)量的一項(xiàng)重要指標(biāo)。由于傳統(tǒng)的利用手工標(biāo)尺進(jìn)行裂紋寬度測(cè)量的方法既不準(zhǔn)確又不方便,于是將嵌入式應(yīng)用于自動(dòng)測(cè)量建筑裂紋寬度成為了許多研究者的重要研究?jī)?nèi)容。

本研究將問(wèn)題劃分為以下兩個(gè)部分:

(1) 裂紋寬度測(cè)量算法;

(2) 將以上所開發(fā)軟件移植到ARM開發(fā)板,并優(yōu)化算法提高軟件運(yùn)行速度。

1 裂紋寬度測(cè)量算法

計(jì)算裂縫寬度關(guān)鍵是要利用圖像分割技術(shù)得到裂縫的真正邊緣。雖然已有文獻(xiàn)介紹了多種分割方法[1-4],但是未見(jiàn)有針對(duì)裂縫測(cè)試儀采集到的裂縫圖像進(jìn)行處理的方法。因此,本文針對(duì)裂縫圖像,提出了結(jié)合OTSU圖像分割與Sobel邊緣檢測(cè)的混合算法進(jìn)行裂紋檢測(cè)與寬度測(cè)量。

1.1 圖像獲取

圖像獲取過(guò)程如圖1所示:被檢測(cè)的裂縫通過(guò)光學(xué)系統(tǒng)在CMOS圖像傳感器上成像,然后通過(guò)USB接口將裂縫圖像輸出到ARM上進(jìn)行處理。

裂縫圖像如圖2所示。裂縫寬度分布范圍較廣,自幾十至幾百像素不等,但遠(yuǎn)遠(yuǎn)小于圖像的寬度值。裂縫周圍有部分噪聲,有的圖像含有大量污染區(qū)域,這成為裂縫位置鎖定的難點(diǎn)。

1.2 OTSU圖像分割

通過(guò)與已有圖像分割方法如:直方圖法、OTSU法、區(qū)域分割法等進(jìn)行比較發(fā)現(xiàn),OTSU在最后的效果上占有明顯的優(yōu)勢(shì)。因此采用OTSU方法進(jìn)行圖像的分割。

圖像分割的結(jié)果如圖3所示。觀察結(jié)果,很容易發(fā)現(xiàn)圖像的邊緣很大區(qū)域被錯(cuò)分為與裂縫一樣。于是直接計(jì)算裂縫寬度時(shí)會(huì)導(dǎo)致將錯(cuò)分的區(qū)域計(jì)算成裂縫。因此除了計(jì)算裂縫寬度外,對(duì)候選裂縫集合進(jìn)行有效剔除是另一個(gè)重要任務(wù)。對(duì)選裂縫集合進(jìn)行有效剔除將會(huì)在下一小節(jié)中進(jìn)行討論。

分割完圖像后,計(jì)算所有可能成為裂縫的區(qū)域的寬度。采用從圖像給定行的起始位置開始計(jì)算裂縫寬度,當(dāng)發(fā)現(xiàn)像素灰度由0變?yōu)?55,記為一個(gè)裂縫的左邊緣起始位置;當(dāng)查找到像素灰度由255變?yōu)?,記為一個(gè)裂縫的右邊緣結(jié)束位置。通過(guò)這種方法可以獲取給定行的所有可能的裂縫寬度。但是在具體試驗(yàn)中發(fā)現(xiàn),計(jì)算對(duì)單行的裂縫進(jìn)行寬度測(cè)量還是存在比較大的誤差。于是采用求取給定行上下5行共10行的平均值的方法。這樣可以有效地去除毛刺的干擾。通過(guò)這種方法,得到一個(gè)裂縫的候選集合,并且計(jì)算出候選集合中每一個(gè)位置的寬度。

1.3 Sobel邊緣檢測(cè)

以上小節(jié)得出了裂縫的候選集合,但是事實(shí)上這個(gè)候選集合含有大量的非裂縫區(qū)域。這一節(jié)中的主要內(nèi)容是設(shè)計(jì)算法剔除這些干擾裂縫,獲取更小的裂縫候選集合。在試驗(yàn)中,由于裂縫具有明顯的邊緣,而干擾圖像區(qū)域有比較模糊的邊緣或者僅有一個(gè)邊緣等,通過(guò)分析,提出采用Sobel邊緣檢測(cè)的方法進(jìn)行裂縫位置的鎖定。Sobel算子由兩個(gè)卷積核組成,如圖4所示,圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積,一個(gè)核對(duì)通常的垂直邊緣相應(yīng)最大,而另一個(gè)對(duì)水平邊緣相應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。運(yùn)算結(jié)果是一幅邊緣幅度圖像。

通過(guò)對(duì)原始圖像采用Sobel邊緣檢測(cè)得到如圖5所示結(jié)果。

但是,這個(gè)結(jié)果很明顯存在很多微小的干擾,這些干擾必須予以剔除,否則將對(duì)鎖定裂縫邊緣沒(méi)有任何效果。通過(guò)對(duì)邊緣檢測(cè)結(jié)果圖像仔細(xì)分析發(fā)現(xiàn),雖然存在微小干擾,但是他們的灰度值普遍偏小,針對(duì)這一發(fā)現(xiàn),對(duì)緣檢測(cè)結(jié)果圖像做與上一節(jié)中一樣的圖像分割,這會(huì)將微小的干擾有效地剔除。實(shí)際的實(shí)驗(yàn)結(jié)果也驗(yàn)證了這一點(diǎn),如圖6所示。

同過(guò)對(duì)分割后的邊緣圖像進(jìn)行觀察,圖像仍然存在一些微小的干擾,但這些干擾相對(duì)于未處理的緣檢測(cè)結(jié)果圖像已經(jīng)很少,將在后續(xù)的處理中對(duì)圖像裂縫添加附加約束,從而取出這些干擾的影響。

1.4 基于裂縫特征的附加約束

通過(guò)對(duì)大量的裂縫圖像進(jìn)行分析,發(fā)現(xiàn)圖像裂縫有如下特點(diǎn):

(1) 裂縫灰度值低于墻體的灰度值。

(2) 裂縫的寬度相對(duì)于整個(gè)圖像不超過(guò)圖像寬度的1/3。

(3) 污染的墻體區(qū)域一般呈大的塊狀出現(xiàn),且很多僅含有一個(gè)邊界,另一邊界延伸至圖像外面。

(4) 墻體的一些微小的干擾呈小塊狀出現(xiàn)。

(5) 裂縫一般為帶狀。

使用ARM處理器處理圖像,由于其速度慢且有實(shí)時(shí)性要求,故不能處理整張的圖像,換句話說(shuō),必須處理局部圖像。這就很明顯增加了剔除候選裂縫的難度。該系統(tǒng)顯然是無(wú)法使用特點(diǎn)(4)、特點(diǎn)(5)的。因此僅使用了前三個(gè)特點(diǎn),并提出了約束:剔除寬度高于圖像寬度1/3的裂縫候選集,剔除寬度低于1/10的裂縫候選集。

通過(guò)添加以上約束,實(shí)驗(yàn)效果有了明顯的提高。圖7是PC機(jī)的結(jié)果,由于同時(shí)使用了5個(gè)約束效果比較好。圖8是ARM系統(tǒng)運(yùn)行的截圖,由于在ARM上不方便分步計(jì)算出每一個(gè)步驟,故直接給出了帶有測(cè)量結(jié)果的截圖。

2 基于Linux的QT界面設(shè)計(jì)算法

前文討論的是主要的算法部分,完整的裂紋測(cè)量系統(tǒng)還包括用戶接口部分,即圖形界面接口。在ARM上采用QT進(jìn)行界面設(shè)計(jì)已經(jīng)比較成熟,它具有以下主要特點(diǎn):

(1) 入門容易、學(xué)習(xí)成本低。了解基本概念后就可以邊查文檔邊寫程序。

(2) 跨平臺(tái)效果好。本來(lái)是Linux下的工具庫(kù),在Windows下默認(rèn)觀感也很好。

3 軟件移植與程序優(yōu)化

由于最終的程序是運(yùn)行在ARM系統(tǒng)上,而由于ARM處理圖像時(shí)的速度慢與裂縫測(cè)量?jī)x器的實(shí)時(shí)性要求,必須對(duì)程序進(jìn)行優(yōu)化,并將算法移植到ARM系統(tǒng)上,使之可以正確運(yùn)行。

軟件的移植比較容易。由于一開始很注重將PC機(jī)上仿真成功的算法及時(shí)移植到ARM上,故程序的移植變得比較容易。

但是程序的優(yōu)化是一個(gè)問(wèn)題,雖然現(xiàn)在的ARM速度已經(jīng)提高了很多,但是在處理圖像時(shí)還是很吃力,加上算法中需要對(duì)原圖像兩次獨(dú)立處理,相當(dāng)于加倍了ARM的負(fù)擔(dān)。通過(guò)對(duì)大量裂縫圖像的分析,針對(duì)前文中提出的裂縫特點(diǎn)以及結(jié)合ARM本身的運(yùn)算速度條件,提出剔除處理全部圖像的算法。采用了只處理給定行位置上下10行的區(qū)域。通過(guò)只處理這20行圖像,極大地提高了程序的運(yùn)行速度。以上方法并行,還采用多線程編程方法,通過(guò)將圖像采樣與圖像的處理分為兩個(gè)進(jìn)程完成,有效地提高了程序的運(yùn)行速度。

4 實(shí)驗(yàn)結(jié)果分析

該程序分別在PC機(jī)和ARM開發(fā)板上運(yùn)行,效果如圖7,圖8所示。

通過(guò)大量的實(shí)驗(yàn)發(fā)現(xiàn)該算法能較好地檢測(cè)出裂縫的分布和寬度。在算法中采用了結(jié)合OTSU圖像分割與Sobel邊緣檢測(cè)的混合算法進(jìn)行裂紋檢測(cè)與寬度測(cè)量。這種算法能分別有效利用邊緣檢測(cè)與圖像分割兩種方法各自的優(yōu)點(diǎn)。另外在該算法中加入了一些分析獲得的約束條件,這能極大地彌補(bǔ)邊緣檢測(cè)與圖像分割混合方法的不足,從而有效地提高了裂紋位置鎖定與裂縫寬度測(cè)量的精度。

5 結(jié) 語(yǔ)

針對(duì)墻體裂紋測(cè)量,設(shè)計(jì)出了一套適用于裂縫寬度檢測(cè)的算法。該算法能較好地檢測(cè)出裂縫的分布和寬度。采用邊緣檢測(cè)與圖像分割混合的方法并通過(guò)對(duì)大量圖像進(jìn)行分析,對(duì)算法添加了一系列符合圖像裂縫特征的約束條件,極大地提高了算法的準(zhǔn)確性與健壯性。分別將程序運(yùn)行于PC機(jī)系統(tǒng)與ARM系統(tǒng),并針對(duì)ARM系統(tǒng)的特點(diǎn)對(duì)算法進(jìn)行了一系列優(yōu)化,引入了并行處理技術(shù),在提高ARM運(yùn)行速度的同時(shí),使得ARM系統(tǒng)檢測(cè)出的結(jié)果達(dá)到與PC機(jī)系統(tǒng)幾乎同等的效果。

參考文獻(xiàn)

[1]施樹明,初秀民,王榮本.瀝青路面破損圖像測(cè)量方法研究 [J].公路交通科技,2004,24(7):12-16.

[2]陸玲,陳國(guó)明,戴揚(yáng).水下結(jié)構(gòu)物裂縫特征定量分析與測(cè)量 [J].計(jì)算機(jī)測(cè)量與控制,2004,12(1):10-12.

[3]甘玲,李濤,趙輝,等.CP神經(jīng)網(wǎng)絡(luò)在圖像邊緣檢測(cè)中的應(yīng)用 [J].四川大學(xué)學(xué)報(bào):自然科學(xué)版,2003,35(3):93-96.

[4]王大志,黃劫,徐樹英.采用灰度直方圖的孔型識(shí)別和二值化閾值自動(dòng)匹配 [J].測(cè)控技術(shù),2005,24(2):48-49.

[5]耿飛,錢春香.圖像分析技術(shù)在混凝土收縮裂縫定量測(cè)試與評(píng)價(jià)中的應(yīng)用研究 [J].東南大學(xué)學(xué)報(bào):自然科版,2003,33(6):773-776.

[6]Kima K S,Kangb K S,Kangc Y J,et al.Analysis of an Internal Crack of Pressure Pipeline Using ESPI and Hearography[J].Optics&Laser Technology,2003,35(8):639-643.

[7]陳果,左洪福.圖像閾值分割的兩種新技術(shù)[J].模式識(shí)別與人工智能,2002,15(4):468-473.

[8]胡霞.國(guó)內(nèi)外路面快速檢測(cè)技術(shù)的現(xiàn)狀與發(fā)展[J].中外公路,2003(6):95-99.

[9]張娟.基于數(shù)字圖像處理的路面裂縫自動(dòng)識(shí)別與評(píng)價(jià)系統(tǒng)[J].長(zhǎng)安大學(xué)學(xué)報(bào),2004(2):18-22.

[10]付忠良.圖像閾值選取方法――OTSU方法的推廣[J].計(jì)算機(jī)應(yīng)用,2000,20(5):37-39.